Multimodality Stacking with Blockwise missing values and application to the PIONeeR biomarkers study for prediction of resistance to immunotherapy

Resumen Técnico: Apilado de Multimodalidad con Valores Faltantes por Bloques (MSB)

Enunciado del Problema
El artículo aborda tres desafíos concurrentes en el análisis de supervivencia en oncología clínica: alta dimensionalidad ($n \sim p$ o $n \ll p$), proporciones sustanciales de datos faltantes y alta multicolinealidad dentro de las fuentes de datos. Específicamente, los autores se centran en la falta por bloques, un problema estructural donde modalidades de datos completas (fuentes) no están disponibles para subconjuntos específicos de pacientes debido a protocolos de recolección heterogéneos en estudios multicéntricos. Los enfoques estándar a menudo dependen de la eliminación por listas (excluir pacientes con datos incompletos), lo que reduce el tamaño de la muestra e introduce sesgo sistemático, o de técnicas de imputación estándar que pierden fidelidad a medida que aumenta la dimensionalidad. Los métodos existentes de aprendizaje multimodal a menudo tratan los datos tabulares en una base por característica en lugar de como modalidades unificadas, o son modelos de aprendizaje profundo que requieren tamaños de muestra mayores que los disponibles en cohortes clínicas típicas.

Metodología: El Marco MSB
Los autores proponen el Apilado de Multimodalidad con valores faltantes por bloques (MSB), un marco de metaaprendizaje de fusión tardía diseñado para manejar estas restricciones sin requerir datos completos en todas las modalidades.

1. Arquitectura: MSB desacopla el aprendizaje específico de la modalidad de la agregación global.

   • Aprendices Base: Para cada una de las $S$ fuentes de datos (modalidades), se entrenan tres modelos independientes: un modelo de Cox penalizado (CoxNet), un Bosque Aleatorio de Supervivencia (RSF) y un modelo de Boosting de Gradiente por Componentes (CWXGB).
   • Manejo de la Falta: El marco cuenta explícitamente con la falta por bloques. Si una fuente falta para un paciente, el aprendiz base correspondiente a esa fuente no se aplica.
   • Meta-Aprendiz: Las salidas (puntuaciones de riesgo) de los aprendices base son agregadas por un meta-aprendiz. Para prevenir el sobreajuste, el meta-aprendiz se entrena con predicciones validadas cruzadas fuera de pliegue de los aprendices base.
   • Indicadores de Falta: La tasa de falta por bloque se añade como una característica al meta-aprendiz para controlar el sesgo potencial, aunque el estudio investiga si el modelo aprende de estos patrones o de los valores de los biomarcadores en sí mismos.

2. Estrategias de Imputación: El artículo evalúa tres variaciones de MSB:

   • MSB$_{imp}$: Imputa los datos crudos antes de dividirlos en modalidades utilizando k-Vecinos Más Cercanos (kNN).
   • MSB: Realiza la imputación en las puntuaciones de riesgo de supervivencia agregadas (espacio de menor dimensionalidad) antes del paso de apilado.
   • MSB$_{MIA}$: Utiliza "Falta Incorporada en Atributos" (MIA) directamente dentro de meta-aprendices basados en árboles (específicamente RSF), tratando la falta como una categoría distinta sin imputación.

3. Validación: El marco fue validado utilizando validación cruzada de 5 pliegues (repetida 3 veces) en el conjunto de datos PIONeeR. El rendimiento se midió utilizando el índice C (discriminación) y la Puntuación Brier Integrada (iBS) para la calibración, con la significancia estadística evaluada mediante pruebas de rangos con signo de Wilcoxon pareadas corregidas por la Tasa de Descubrimiento Falso (FDR).

Resultados Clave
El estudio utilizó el conjunto de datos PIONeeR ($n=443$ pacientes, 378 biomarcadores en 8 fuentes heterogéneas) para predecir la Supervivencia Libre de Progresión (PFS) en pacientes con cáncer de pulmón de células no pequeñas (NSCLC) avanzado que reciben inmunoterapia.

• Rendimiento Predictivo: MSB superó consistentemente a los algoritmos base entrenados con los mismos datos (con imputación kNN).
  • Modelos Lineales: MSB-CoxNet mostró un aumento del 15.9% en el índice C (de 0.572 a 0.663, $p < 0.001$).
  • Bosques Aleatorios: MSB-RSF mostró un aumento del 5.4% (de 0.647 a 0.682, $p = 0.002$).
  • Boosting de Gradiente: MSB-CWXGB mostró un aumento del 2.1% (de 0.678 a 0.692, $p = 0.030$).
• Generalización: Un hallazgo crítico fue la reducción en la brecha de generalización (la diferencia entre el rendimiento de entrenamiento y prueba). Para modelos lineales, la brecha disminuyó de 0.380 (base) a 0.055 (MSB), indicando que MSB actúa como un regularizador efectivo contra el sobreajuste.
• Importancia de la Modalidad: El análisis de importancia por permutación identificó las características clínicas de rutina (Fuente A), los marcadores de biología médica/sangre (Fuente B) y la expresión de PD-L1 (Fuente E) como los principales impulsores predictivos.
• Sesgo de Falta: Los indicadores de bloque faltante mostraron una importancia negligible. Esto sugiere que el modelo aprende de los valores reales de los biomarcadores y no de los patrones de disponibilidad de datos, aliviando las preocupaciones de que el modelo simplemente distinga entre pacientes de diferentes centros clínicos (por ejemplo, APHM frente a otros) basándose en datos faltantes.

Significado y Afirmaciones
Los autores afirman que MSB proporciona un marco validado estadísticamente para la predicción de supervivencia multimodal en presencia de falta por bloques. Su significado principal radica en:

1. Manejo de la Dispersión Estructural: Permite la evaluación sistemática de biomarcadores sin requerir datos completos en todas las modalidades, evitando la reducción del tamaño de la muestra asociada con la eliminación por listas.
2. Robustez en Cohortes Pequeñas: Al descomponer el espacio de características de alta dimensionalidad en subproblemas específicos de modalidad y agregar puntuaciones de riesgo, MSB mitiga la "maldición de la dimensionalidad" y el sobreajuste, haciéndolo adecuado para cohortes clínicas donde $n \ll p$.
3. Aplicabilidad Práctica: El marco ofrece una herramienta para el modelado predictivo en estudios multicéntricos donde la disponibilidad de datos varía según el sitio o el protocolo.

Limitaciones y Alcance
El artículo mantiene una postura modesta respecto a sus afirmaciones:

• Falta de Validación Externa: Todos los resultados se derivan de una sola cohorte (PIONeeR, 17 centros franceses). Los autores declaran explícitamente que MSB debe considerarse un marco metodológico para la investigación de biomarcadores pendiente de validación externa en cohortes internacionales independientes.
• Especificidad del Punto Final: El estudio se centró en la Supervivencia Libre de Progresión (PFS) y no se extendió a riesgos competitivos o modelos de fracción curada, aunque señalan estos aspectos como posibles direcciones futuras.
• Estrategia de Imputación: Aunque se utilizó la imputación kNN por su eficiencia computacional y estabilidad, los autores reconocen que podrían existir estrategias de imputación más complejas, pero no se persiguieron debido a las diferencias mínimas de rendimiento observadas entre las variantes de MSB ($\Delta$índice C < 0.01).

La implementación del marco MSB está disponible bajo una licencia Inria.